Object Detection
ultralytics
ONNX
OpenVINO
Turkish
English
pcb
defect-detection
yolo11
explainable-ai
layercam
Instructions to use ebboo/tracera-model with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- ultralytics
How to use ebboo/tracera-model with ultralytics:
from huggingface_hub import hf_hub_download from ultralytics import YOLO # pick the weights file from this repo's "Files and versions" tab weights = hf_hub_download("ebboo/tracera-model", "<weights>.pt") model = YOLO(weights) source = 'http://images.cocodataset.org/val2017/000000039769.jpg' model.predict(source=source, save=True) - Notebooks
- Google Colab
- Kaggle
|
Download README.md from ebboo/tracera-model: direct link, hf CLI and curl.
- Browser
- Download file 9.55 kB
-
https://huggingface.co/ebboo/tracera-model/resolve/main/README.md
- Command line
-
hf download hf://ebboo/tracera-model/README.md
-
curl -L -o README.md https://huggingface.co/ebboo/tracera-model/resolve/main/README.md
9.55 kB
| language: | |
| - tr | |
| - en | |
| license: agpl-3.0 | |
| library_name: ultralytics | |
| pipeline_tag: object-detection | |
| tags: | |
| - pcb | |
| - defect-detection | |
| - yolo11 | |
| - openvino | |
| - onnx | |
| - explainable-ai | |
| - layercam | |
| # Tracera — YOLO11s PCB Kusur Tespiti Model Paketi / PCB Defect Detection Model Weights | |
| Bu model deposu, **Tracera** projesinin kart bazlı bölünmüş PKU-Market-PCB veri kümesi üzerinde eğitilmiş önceden kilitli (`last.pt`) YOLO11s @ 1024 ağırlıklarını ve çıkarım dışa aktarımlarını (OpenVINO INT8 + FP32 ONNX) içerir. Açıklanabilirlik arayüzünde tespit kararları LayerCAM (Katman 4) ile görselleştirilir. | |
| *English summary:* This model repository hosts the **Tracera** YOLO11s (`imgsz=1024`, pre-locked `last.pt`) weights trained on board-grouped PKU-Market-PCB data for 6 PCB surface defect classes, packaged alongside OpenVINO INT8 (CPU) and raw FP32 ONNX (`opset=17`, client-side NMS) exports. | |
| --- | |
| ## 1. Depo İçeriği ve Dosyalar / Artifacts | |
| | Dosya / Klasör | Format | Boyut (MB) | Kullanım Alanı | | |
| |---|---|---|---| | |
| | `last.pt` | PyTorch Checkpoint | 18.37 MB | Eğitim sonu kilitli ağırlık, PyTorch GPU çıkarımı ve LayerCAM @ Katman 4 gradyan hesabı | | |
| | `last_int8_openvino_model/` | OpenVINO IR INT8 (`last.xml`, `last.bin`, `metadata.yaml`) | 9.97 MB | Yerel FastAPI / Tauri masaüstü CPU çıkarımı | | |
| | `tracera_1024.onnx` | ONNX FP32 (`opset=17`, ham çıktı `[1, 10, 21504]`) | 36.43 MB | Tarayıcı içi ve Android WebView ONNX Runtime Web çıkarımı | | |
| | `meta.json` | JSON (`version=1`) | <0.01 MB | Ön/son işleme sabitleri (`imgsz=1024`, `conf=0.395`, `iou_nms=0.7`, `letterbox_pad=114`) | | |
| --- | |
| ## 2. Görev, Veri Kümesi ve Eğitim Ayarları / Task, Data & Training | |
| - **Görev / Task:** 6 sınıflı PCB yüzey kusuru nesne tespiti (`missing_hole`, `mouse_bite`, `open_circuit`, `short`, `spur`, `spurious_copper`). | |
| - **Veri Kümesi & Kart Bazlı Bölme / Dataset & Board-Grouped Split:** PKU-Market-PCB veri kümesi 10 farklı kart tasarımından (CV havuzu = 623 görüntü) oluşur. Rastgele bölmede aynı kart arka planları eğitim ve test arasında sızıntı ürettiğinden katı kart-bazlı bölme uygulanmıştır: **Val = Kart 05 + 11** (120 görüntü, 562 kutu), **Tek Seferlik Kilitli Test = Kart 06 + 10** (93 görüntü, 469 kusur kutusu). Final eğitimindeki model test kartlarını hiç görmemiştir. | |
| - **Eğitim Ayarları (`g_y11s_1024_full`):** Mimari = `yolo11s`, `imgsz=1024`, `batch=8`, `epochs=80`, `patience=0`, seçilen ağırlık = `last.pt` (val tabanlı erken durdurma yok), eğitim süresi = 24.87 dk, tepe GPU belleği = 5.14 GB. | |
| --- | |
| ## 3. Doğrulanmış Sonuçlar / Verified Evaluation Results | |
| > Tüm standart sapmalar örneklem standart sapmasıdır (`ddof=1`). Başlık sonucu 5-katlı kart bazlı CV'dir; kilitli test yalnız 2 farklı kart tasarımından (Kart 06 + 10) oluşur. | |
| ### 3.1 Başlık Sonucu: Kart Bazlı 5-Katlı Çapraz Doğrulama & Sızıntı Kontrolü | |
| | Deney | Çözünürlük | Ağırlık | mAP50 (Ort ± std) | mAP50-95 (Ort ± std) | Katlar / Not | | |
| |---|---|---|---|---|---| | |
| | **Nihai Mimari (Grouped CV)** | 1024 | `last.pt` | **0.8575 ± 0.1523** | **0.4240 ± 0.1188** | Kat 1=0.5885, Kat 2=0.9080, Kat 3=0.8952, Kat 4=0.9388, Kat 5=0.9569 | | |
| | Karşılaştırma (Grouped CV) | 640 | `last.pt` | 0.7869 ± 0.1548 | 0.3760 ± 0.1080 | Tüm 5 katta 1024 daha yüksek (+0.0706 mAP50) | | |
| | Sızıntılı Rastgele Bölme (640) | 640 | `last.pt` | 0.9364 ± 0.0124 | 0.4988 ± 0.0078 | Kart arka planı sızıntılı üst sınır | | |
| | Aynı Görüntülerde Grouped CV | 640 | `last.pt` | 0.8061 ± 0.1719 | 0.3957 ± 0.1116 | Rastgeleden fark: **-0.1303** | | |
| ### 3.2 Tek Seferlik Kilitli Test (`g_y11s_1024_full`, `last.pt`, Kart 06 + 10) | |
| - **Eşikten Bağımsız Test mAP:** **mAP50 = 0.9225**, **mAP50-95 = 0.4740** (93 görüntü, 469 kutu). | |
| - *(Metodolojik not: Ultralytics çıktısındaki test F1-tepe oracle P/R değerleri işletme çalışma noktası olarak raporlanmaz; kilitli P/R/F1 aşağıda `conf = 0.395` üzerindedir.)* | |
| | Sınıf | Test mAP50 | Test mAP50-95 | | |
| |---|---|---| | |
| | `missing_hole` | 0.9705 | 0.4791 | | |
| | `mouse_bite` | 0.9442 | 0.4651 | | |
| | `open_circuit` | 0.9207 | 0.5158 | | |
| | `short` | 0.8903 | 0.4451 | | |
| | `spur` | 0.8527 | 0.4259 | | |
| | `spurious_copper` | 0.9564 | 0.5128 | | |
| ### 3.3 Kilitli Çalışma Noktası (`conf = 0.395`, `IoU = 0.50`) | |
| | Split | TP | FP | FN | Precision | Recall | F1 | | |
| |---|---|---|---|---|---|---| | |
| | Val (Kart 05 + 11) | 514 | 16 | 48 | 0.9698 | 0.9146 | 0.9414 | | |
| | **Test Kilitli (Kart 06 + 10)** | **416** | **142** | **53** | **0.7455** | **0.8870** | **0.8101** | | |
| | *Duyarlılık Satırı (Kart 06 2 sabit şablon noktası hariç)* | 416 | 28 | 53 | 0.9369 | 0.8870 | 0.9113 | | |
| - Temiz şablon kontrolünde Kart 06 şablon görüntüsü (`06.JPG`) `mouse_bite` sınıfında 0.5569 güvenle sabit yanlış alarm üretmektedir. | |
| ### 3.4 Çıkarım Formatları, Nicemleme ve Tarayıcı Paritesi (Laptop Donanımı) | |
| *Not: Aşağıdaki hız ölçümleri dizüstü bilgisayar donanımında (Ryzen 7 8845HS CPU / RTX 4060 Laptop GPU) alınmıştır.* | |
| | Format | Donanım | Boyut (MB) | Medyan Model (ms) | Medyan Toplam (ms) | Uçtan Uca FPS | Val mAP50 | | |
| |---|---|---|---|---|---|---| | |
| | PyTorch FP32 (GPU) | NVIDIA GeForce RTX 4060 Laptop GPU | 18.37 | 9.80 | 14.83 | 67.4 | 0.9396 | | |
| | ONNX Runtime (CPU) | AMD Ryzen 7 8845HS w/ Radeon 780M Graphics | 36.43 | 157.18 | 165.00 | 6.1 | 0.9372 | | |
| | OpenVINO FP32 (CPU) | AMD Ryzen 7 8845HS w/ Radeon 780M Graphics | 36.47 | 103.06 | 109.70 | 9.1 | 0.9372 | | |
| | OpenVINO INT8 (CPU) | AMD Ryzen 7 8845HS w/ Radeon 780M Graphics | 9.97 | 36.70 | 43.73 | 22.9 | 0.9430 | | |
| | TensorRT FP16 (GPU) | NVIDIA GeForce RTX 4060 Laptop GPU | 22.06 | 3.34 | 12.29 | 81.4 | 0.9372 | | |
| - **FP32 vs OpenVINO INT8 Nicemleme Paritesi (10 val görüntüsü):** `conf=0.25` eşleşen = 59 (yalnız FP32: 3, yalnız INT8: 1, ort IoU = 0.9537, ort |Δconf| = 0.0320); `conf=0.395` eşleşen = 43 (ort IoU = 0.9530, tüm farklar Kart 05 şablonundaki 2 sabit `spurious_copper` noktasında yoğunlaşmıştır). | |
| - **Tarayıcı ORT WebGPU (`tracera_1024.onnx`) Paritesi (10 val, `conf=0.25`):** İki yönlü eşleşme = **%96.72** (59 eşleşen), ort IoU = 0.9885, ort |Δconf| = 0.0065, `0.395` sayım farkı = -1; RTX 4060 Laptop WebGPU medyan model/toplam gecikmesi = 44.11 / 113.37 ms. | |
| - **XAI Doğrulama (LayerCAM @ Katman 4, n=150):** 1× silme göreli düşüş = 0.7004 (kazanma %97.3), 2× düşüş = 0.7654 (kazanma %98.7), pencere içi kutu enerjisi = %61.0. | |
| - **Endüstriyel PCB-AoI Temsil Transferi (3 Seed, null sonuç):** PKU başlangıcı test mAP50 = 0.6172 ± 0.0301, COCO başlangıcı = 0.6083 ± 0.0042; fark seed varyansının içinde kalmıştır. | |
| --- | |
| ## 4. Kullanım / Quick Usage | |
| ### Python (Ultralytics / PyTorch & OpenVINO INT8) | |
| ```python | |
| from huggingface_hub import snapshot_download | |
| from ultralytics import YOLO | |
| weights_dir = snapshot_download(repo_id="ebboo/tracera-model") | |
| # PyTorch (GPU/CPU) | |
| pt_model = YOLO(f"{weights_dir}/last.pt") | |
| pt_res = pt_model.predict("pcb.jpg", imgsz=1024, conf=0.395, iou=0.7) | |
| # OpenVINO INT8 (CPU) | |
| ov_model = YOLO(f"{weights_dir}/last_int8_openvino_model", task="detect") | |
| ov_res = ov_model.predict("pcb.jpg", imgsz=1024, conf=0.395, iou=0.7) | |
| ``` | |
| ### Tarayıcı / Browser (ONNX Runtime Web + `tracera_1024.onnx`) | |
| - Girdi tensörü: `[1, 3, 1024, 1024]` RGB `float32` (`[0, 1]` normalize), en-boy oranını koruyan letterbox + sabit `114` (`114/255`) dolgu. | |
| - Çıktı tensörü: `[1, 10, 21504]` (`[cx, cy, w, h, 6 sınıf skoru]`); dahili NMS yoktur, istemci tarafında `conf >= 0.395` ve `iou = 0.7` NMS uygulanır (`meta.json`). | |
| ### Ortam Değişkeniyle Otomatik İndirme (Tracera Repo) | |
| ```bash | |
| export TRACERA_MODEL_REPO=ebboo/tracera-model | |
| pytest -v | |
| ``` | |
| --- | |
| ## 5. Sınırlılıklar / Known Limitations | |
| 1. **Küçük Kart Çeşitliliği:** PKU-Market-PCB yalnızca 10 kart tasarımı içerir; kilitli test kümesi yalnız 2 kart tasarımına (Kart 06 ve 10) dayanır. | |
| 2. **Çözünürlük Seçimi Bağımsızlığı:** `1024` vs `640` 5-katlı CV deneyi tüm 10 kartlık havuz üzerinde yürütüldüğünden çözünürlük kararı test kartlarından tam bağımsız değildir (nihai ağırlık test kartlarını görmemiştir). | |
| 3. **Şablon Yanlış Alarmları:** Kart 06 temiz şablonunda `mouse_bite` yanlış alarmı sabit tekrarlanır; FP32–INT8 niceleme farkları da `conf >= 0.395` düzeyinde Kart 05 şablonundaki 2 sabit `spurious_copper` konumunda yoğunlaşır. | |
| 4. **Çapraz Platform Farkları:** OpenVINO INT8 Windows vs Linux çalışmaları arasında eşik sınırındaki kutularda küçük (~0.01) güven farkı görülebilir. | |
| 5. **Alan Boşluğu & Kamera:** Model yukarıdan çekilmiş yüksek çözünürlüklü sentetik kusurlu PKU görüntüleriyle eğitilmiştir. Gerçek AoI verisine transfer deneyi null sonuç vermiştir; el kamerasında açı/ışık değişimiyle doğruluk düşer. | |
| 6. **Donanım Kapsamı:** Hız değerleri dizüstü donanımında (RTX 4060 Laptop / Ryzen 7 8845HS) ölçülmüştür; gömülü kart veya mobil tarayıcı hız garantisi verilmez. | |
| --- | |
| ## 6. Lisans ve Atıf / License & Citation | |
| - **Lisans / License:** GNU Affero General Public License v3.0 (`AGPL-3.0`). | |
| - **Veri Kümesi Atfı / Dataset Citation:** | |
| ```bibtex | |
| @article{huang2019pcb, | |
| title={A PCB Dataset for Defects Detection and Classification}, | |
| author={Huang, Weibo and Wei, Peng}, | |
| journal={arXiv preprint arXiv:1901.08204}, | |
| year={2019} | |
| } | |
| ``` | |